Když se někde v dodávkách něco pokazí, většinou to vypadá jako „náhodná smůla“. Zdržel se dopravce. Dodavatel posunul termín. Někdo ve skladu přehlédl výpadek zásob. E-shop prodal poslední kusy, které už fyzicky nejsou. A pak už jen hašíte. Telefonáty, přeplánování, naštvaný zákazník, interní stres.
Jenže hodně těchto problémů není náhodných. Jsou opakující se vzorce. A přesně tady dává smysl prediktivní analýza v ERP.
Není to sci-fi. V praxi to znamená, že ERP (plus data ze skladu, prodejen, e-shopu a logistiky) vám umí začít šeptat dopředu, že „tohle vypadá na problém“. Ne až je pozdě, ale v momentu, kdy to ještě umíte zvrátit.
A když řešíte ERP pro maloobchod, velkoobchod, propojení e-shopů s prodejnami, WMS a logistiku skladů… tak tohle je přesně ta oblast, kde to přináší nejrychlejší výsledky.

Co je prediktivní analýza v ERP, normálně po lidsky

Klasické reporty v ERP jsou retrospektiva. Co se stalo minulý týden. Které položky se prodávaly. Kolik objednávek zdrželo. Jaká byla obrátka zásob.
Prediktivní analýza jde o krok dál. Vezme historická data, aktuální data (a ideálně i externí signály) a vytvoří odhad, co se pravděpodobně stane. Ne s jistotou. S pravděpodobností. A to je úplně v pořádku, protože v dodávkách nepotřebujete věštit budoucnost. Potřebujete včasné varování.
Typické příklady:

• Tento dodavatel má zvýšené riziko zdržení při nejbližších dodávkách.
• Tato položka se vyprodá dřív, než přijde další nákup, i když „na papíře“ to vypadá OK.
• V konkrétním skladě se začne tvořit úzké místo při vychystávání (např. kvůli nedostatečné automatizované expedici), pokud se nezmění plán.
• Zákaznické objednávky z určitého kanálu (např. marketplace) mají nadprůměrnou míru storn z důvodu dostupnosti.
  Důležité. Predikce není jedna tabulka navíc. Musí být napojená na rozhodování. Ideálně tak, aby z toho vznikl konkrétní úkol nebo automatické pravidlo (jako např.EDI komunikace).

Proč jsou dodávky v retailu a velkoobchodu tak náchylné k problémům

Retail, velkoobchod, e-shop + prodejny, skladové hospodářství… to je takový živý organismus. Neustále se něco hýbe. A čím více kanálů a skladů, tím více míst, kde se to může rozpadnout.
Nejčastější bolestivé místa, které vidíme:

• Nesoulad zásob mezi systémy: ERP ukazuje 10 ks, WMS 7 ks, e-shop prodá 9 ks. Pak se to dorovná inventurou, ale škoda už je.
• Špatné lead times: v nákupních datech máte 5 dní, realita je 9. Jenže ten rozdíl se zjistí až když to začne hořet.
• Sezónnost a promo šoky: akce na pár dní, prudký nárůst objednávek, sklad nestíhá, dopravce nestíhá.
• Změny ve chování zákazníků: např. přesun poptávky do jiné velikosti balení nebo do jiné alternativy. A staré plánování to nevidí.
• Úzké místo ve skladě: někdy není problém v zboží, ale v kapacitě vychystávání, balení, expedice. A to se často řeší až v momentu, kdy se tvoří fronty.
  Prediktivní analýzamá smysl právě proto, že tyto problémy mívají předzvěst. Jen je roztroušená v datech.

Jaká data musíte mít, aby to celé fungovalo

Tady lidé často čekají, že potřebujete „big data“. Ne. Potřebujete hlavně pořádek v základních datech a dobré propojení.
Minimum, které se vyplatí mít:

• Prodeje: po dnech (ideálně po hodinách), po kanálech (prodejna, e-shop, B2B), s promo flagy.
• Stavy zásob: ERP i WMS včetně rezervací, blokací a rozpracovaných příjmů a výdejů. TadyWMS řízené sklady mohou výrazně pomoci.
• Objednávky a dodávky: datum objednání, potvrzený termín, reálný termín, množství, dodavatel, sklad.
• Logistika a expedice: cut-off časy, časy zpracování, SLA dopravců, reklamace nedoručení.
• Kmenová data: produktová hierarchie, substituce balení, minimální multipacky, dodací kalendáře.
• E-shop signály: návštěvnost, konverze, přidané do košíku.

Co konkrétně umí ERP predikovat v dodávkách (a dává to smysl)

Níže je pár oblastí, které jsou reálně nasaditelné. Žádné teorie. A hlavně takové, které mají jasný dopad na dostupnost a zákaznický servis.

1) Riziko vyprodaní dřív, než se objeví „0 ve skladu“

Klasika: ERP má nastavená minimální a kdy zásoba klesne, navrhne objednávku. Jenže:

• minimální jsou často nastavená od oka,
• poptávka skáče,
• lead time se mění,
• část zásoby je rezervovaná na jiný kanál.
  Predikce vyprodaní pracuje s trendem prodeje, sezónností, promo plánem, otevřenými objednávkami a reálnými lead times. Výstup není „objednej“, ale např.:
• pravděpodobnost, že položka dojde do X dnů,
• odhad dne, kdy dojde,
• doporučené množství pro doplnění s ohledem na servisní úroveň.
  A nejlepší je, když to umíte rozlišit podle kanálu. Protože e-shop může vyžrat zásobu prodejnám nebo naopak prodejny si to stáhnou přes interní přesuny.

2) Predikce zdržení dodavatelů podle jejich chování

Dodavatel vám sice dá termín, ale realita je jiná. A ta „jiná“ se dá modelovat.

• Kteří dodavatelé zdržují opakovaně.
• U kterých produktů (nebo kategorií) je zdržení častější.
• Zda se zdržení zhoršuje v určitých měsících.
• Jak se chová dopravce nebo konkrétní trasa.
  Tady umí ERP generovat rizikové skóre: tato objednávka má vysokou šanci, že přijde pozdě. A pak umíte udělat jednoduché věci. Objednat dřív. Přesunout zásobu. Aktivovat substituci. Upravit slíbený termín zákazníkovi, ale včas, ne po termínu.

3) Přetížení skladu a zhoršení výkonnosti vychystávání

WMS dává krásná data, jen je treba použít. Časy pickování, počet řádků na objednávku, typy položek, zónování skladu, fronty u balicích stolů.
Prediktivní model tady může říct něco jako:

• zítra mezi 10:00 a 14:00 budete mít úzké místo v zóně A,
• pokud se spustí promo, průměrný čas zpracování objednávky se zdvojnásobí,
• při tomto mixu objednávek nestačí kapacita expedice.
  A z toho už umíte udělat plán. Změny v prioritách vln. Přesun lidí. Cut-off čas pro e-shop. Dočasné omezení sortimentu s nízkou marží, ale vysokou náročností na picking. Ano, zní to drsně, ale někdy je to přesně ta správná obchodní volba.

4) Selhání propojení e-shopu a prodejny dřív, než to uvidí zákazník

Když propojujete e-shop s prodejnami, často řešíte klikni a vyzvedni nebo ship from store nebo alespoň společnou dostupnost. A problém je, že integrace občas padají. Nebo posílají zpožděné stavy. Nebo se změní mapování skladů.
Prediktivní varování tady může být i úplně jednoduché. Detekce anomálií:

• neštandardní pokles aktualizací zásob z prodejny,
• náhlé skoky v dostupnosti (z 0 na 200 kusů u položky, kde to nedává smysl),
• rozdíl mezi WMS a ERP nad určitý limit,
• zvýšený počet stornovaných objednávek z důvodu nedostupnosti.
  Tedy ne predikce jako taková, ale včasné odhalení toho, že „data lžou“. A to je v omnichannel světě často větší problém než samotné zboží.

5) Predikce reklamací a vrácení, které rozhodnou o zásobách

Vrácení v e-shopu jsou realita. A u některých kategorií úplně běžná věc. Jenže pokud s tím nepočítáte, může vám to rozházet replenishment. Najednou vám přijde hodně vrácení, najednou skoro nic. A do toho se mísí kvalita zboží, šarže, balení, dopravce.
Když umíte predikovat míru vrácení po produktech a kanálech, umíte:

• lépe plánovat zásobu,
• lépe nastavovat přesuny a třídění,
• rychleji vracet zboží do prodeje, když to dává smysl,
• a někdy i odhalit, že problém je v popisu produktu nebo fotkách, ne ve skladu.

Jak to celé nasadit bez toho, aby se z toho stal nekonečný IT projekt

Tady je postup, který je v praxi nejznesitelnější. A ano, záměrně je jednoduchý.

Krok 1: Vyberte si jeden problém, který bolí a má peníze

Například:

• top 50 položek, které nejčastěji vypadávají z dostupnosti,
• zdržení konkrétní skupiny dodavatelů,
• přetížení expedice v konkrétní dny.
  Jedna téma. Jedna metrika úspěchu. Jinak se to rozleje.

Krok 2: Sjednotte zdroj pravdy (ERP vs WMS vs e-shop)

Prediktivní analýza na špatných datech je rychlý způsob, jak si vybudovat nedůvěru. Takže si otevřeně řekněte:

• kde je master pro zásoby,
• kde je master pro objednávky,
• jak se řeší rezervace,
• jaká jsou časová zpoždění.
  Někdy stačí jen jasná definice a jedna integrační úprava. Někdy je to větší robota. Ale musí to být.

Krok 3: Začněte s pravidly, pak přidejte model

Ne všechno musí být hned machine learning. Často stačí kombinace:

• rolling average prodeje,
• safety stock podle variability,
• lead time podle reálné historie,
• pražové hodnoty a anomálie.
  A až když to funguje a lidé to používají, přidáte sofistikovanější model. Protože problém bývá spíš adopce než matematika.

Krok 4: Výstup musí skončit v práci lidí, ne v reportu

Nejlepší formy výstupu:

• úkol pro nákupce: „riziko vyprodaní do 6 dnů, doporučené množství X“
• alert pro sklad: „zítra riziko přetížení zóny B“
• upozornění pro customer care: „objednávky z kanálu Y mají riziko zdržení“
• automatická úprava dostupnosti na e-shopu při vysokém riziku
  Pokud to skončí v BI dashboardu, který otevře jeden člověk jednou za týden, tak si to rovno ušetřete.

Krok 5: Měřte, zda se zlepšilo to, co chcete zlepšit

Konkrétní metriky, které dávají smysl:

• fill rate a dostupnost (celkově i po kanálech),
• počet stornovaných objednávek z důvodu nedostupnosti,
• průměrné zdržení dodávek,
• počet urgentních přesunů mezi sklady,
• produktivita skladu (řádky za hodinu, čas do expedice),
• počet expedičních chyb.
  A pak jednoduchá otázka: Je to lepší než předtím?

Časté chyby, které to celé dokážou zabít

• Predikce bez akce: systém něco predikuje, ale nikdo neví, co s tím. Nebo to nemá proces.
• Slepá víra v model: predikce je pomocník. Ne autorita. Vždy treba možnost pro člověka to přebít a zároveň to logovat.
• Neřešená kmenová data: špatné jednotky balení, chybějící substituce, špatná hierarchie. Pak jsou doporučení mimo.
• Ignorování kapacity: plánování nákupu bez pohledu na sklad a logistiku. Zboží síce přijde, ale systém nezvládne příjem a expedici.
• Rozbité omnichannel: e-shop a prodejny si konkurují o zásobu a nikdo nemá pravidla prioritizace.

Kde to celé nejvíc sedí v našem světě (ERP, retail, velkoobchod, WMS, logistika)

Pokud řešíte ERP pro maloobchod a velkoobchod a k tomu propojení e-shopů s prodejnami, prediktivní analýza je nejlepší „lepidlový“ vrstva. Protože:

• vidí prodej napříč kanály,
• vidí realitu skladu přes WMS,
• umí přidat logistická SLA,
• a umí to přeložit do rozhodnutí v ERP procesech.
  Ne jako další systém, který si žije sám. Spíš jako rozšíření toho, co už děláte. Jen chytřeji, rychleji a trochu proaktivně.

Závěr, takový praktický

Předvídat problémy v dodávkách ještě předtím, než nastanou, není o tom mít nejdražší AI modul. Je to o tom, že přestanete řídit dodávky přes „až když se to pokazí“. A začnete pracovat se signály.
Začněte jedním use casem. Nejbolestivějším. Dejte tomu dobrá data. A hlavně to zaveďte tak, aby z predikce vznikl krok v procesu.
Protože v realitě dodávek vyhraje ten, kdo má o dva dny náskok. Ne ten, kdo má nejpěknější dashboard.

Často kladené otázky

Co je prediktivní analýza v ERP a jak pomáhá v dodávkách?
Prediktivní analýza v ERP využívá historická, aktuální a externí data k odhadu pravděpodobných budoucích problémů v dodávkách, čímž umožňuje včasné varování a prevenci nežádoucích situací ještě před jejich vznikem.
Proč jsou dodávky v retailu a velkoobchodu často náchylné k problémům?
Dodávky jsou náchylné k problémům kvůli komplexitě více kanálů, skladů a systémů, které mohou mít nesoulad zásob, nepřesné lead times, sezónní výkyvy, změny chování zákazníků nebo úzká místa ve skladě.
Jak se liší prediktivní analýza od klasických reportů v ERP?
Klasické reporty jsou retrospektivní a ukazují minulé události, zatímco prediktivní analýza jde o krok dál a na základě dat predikuje pravděpodobné budoucí události s cílem umožnit včasné zásahy.
Jaké typické problémy dokáže prediktivní analýza identifikovat v dodavatelském řetězci?
Dokáže identifikovat riziko zdržení dodavatelů, vyprodej položek dřív než přijde nový nákup, tvorbu úzkých míst ve skladě nebo zvýšenou míru storn objednávek z určitých kanálů.
Proč je důležité napojit predikci na konkrétní rozhodování a automatizovaná pravidla?
Bez propojení na rozhodování zůstává predikce jen tabulkou navíc. Napojení umožňuje automatické generování úkolů nebo pravidel (např. EDI komunikace), které efektivně řeší identifikované problémy.
Jak může ERP systém pomoci při řízení zásob mezi různými systémy jako WMS a e-shop?
ERP systém integruje data ze skladu, e-shopu a dalších míst, čímž minimalizuje nesoulad zásob mezi systémy a brání prodeji zboží, které fyzicky není dostupné.